1. 引言：遥感立体匹配的范式困境与深度学习破局

三维重建是摄影测量与计算机视觉领域交汇的终极命题之一。在遥感语境下，从卫星立体像对（如WorldView-3、Pleiades）或航空倾斜影像中恢复地表的三维几何结构，直接支撑着数字高程模型（DEM）生产、城市建模、灾害评估与军事侦察等关键应用。传统摄影测量管线依赖特征提取（SIFT、SURF）、核线校正、逐像素匹配与三角交会，其核心——立体匹配算法——长期由半全局匹配（SGM）及其变体主导。SGM通过沿多个方向的动态规划近似全局能量最小化，在规则纹理与弱纹理区域展现出一定的鲁棒性，但其本质仍是对手工设计代价函数（如Census变换、互信息）的后处理优化。

本文评述：SGM的瓶颈不在于优化策略本身，而在于其代价计算与聚合完全依赖人类对影像匹配的浅层理解。Census变换对中心像素的依赖、互信息对光照的敏感，均暴露出手工特征在复杂辐射变化与重复纹理前的无力。遥感影像中普遍存在的镜面反射、阴影、时相差异与大气散射，使得传统管线在精度与自动化程度上已触及天花板。

2015年，Zbontar与LeCun提出的MC-CNN首次将卷积神经网络引入立体匹配的代价计算环节，在KITTI数据集上大幅超越传统方法，标志着深度学习立体匹配时代的开启。此后，从DispNet的端到端视差回归，到GC-Net的3D代价卷正则化，再到RAFT-Stereo的迭代光流式更新，深度学习不仅重塑了立体匹配的技术栈，更从根本上改变了研究者对“匹配”这一行为的认知：它不再是一个手工设计的相似性度量问题，而是一个数据驱动的、可学习的特征提取与聚合过程。

笔者认为，当前遥感影像立体匹配的深度学习研究存在一条隐含的“表征-融合-约束”主线：表征层面，如何从原始像素中学习对几何与辐射变化鲁棒的特征；融合层面，如何在代价卷中有效聚合上下文与多尺度信息；约束层面，如何将核线几何、平滑先验与多视图一致性注入网络训练。本文即围绕这一主线展开，并独创性地将其延伸至多视图立体匹配与神经隐式表征的前沿，力图构建一幅完整的认知地图。

2. 理论基础与问题重构：从核线约束到可学习几何

2.1 核线几何与视差空间

立体视觉的数学基础是核线几何。对于经过核线校正的立体像对，同名点位于同一水平扫描线上，其水平坐标差即为视差d。视差与深度Z的关系为Z = f·B / d，其中f为焦距，B为基线长度。这一简洁的公式将二维匹配问题降维为一维搜索，是传统立体匹配算法效率的基石。然而，遥感影像的核线校正并非总是完美：卫星推扫式成像的线中心投影特性、地形起伏引起的核线弯曲，以及多视角卫星的非严格核线约束，均使得“一维搜索”假设在工程实践中面临挑战。

本文评述：深度学习方法的优势之一在于其隐式处理核线偏差的能力。通过2D或3D卷积的感受野，网络可以学习局部窗口内的垂直偏移补偿，从而在核线校正不完美的条件下仍保持匹配精度。这种“软核线约束”是传统SGM难以企及的。

2.2 立体匹配作为能量最小化问题

传统框架将立体匹配形式化为能量函数E(D) = E_data(D) + λ·E_smooth(D)的最小化。数据项衡量像素级匹配代价，平滑项惩罚邻域视差不连续性。SGM通过多方向一维动态规划近似求解这一NP难问题。深度学习的介入并未抛弃这一框架，而是以不同方式重新诠释了它：代价卷本身即是对数据项的密集参数化，而3D卷积正则化则扮演了平滑项的角色，且其权重由数据自适应学习。

笔者认为，这一视角揭示了深度学习立体匹配与传统方法的深层连续性：前者并未颠覆能量最小化范式，而是将其从手工设计的浅层模型升级为端到端可训练的深层模型。理解这一点，有助于避免将深度学习视为“黑箱魔术”，而是将其锚定在摄影测量的几何传统之中。

3. 代价卷构建：相关体、级联与自适应聚合的演进

3.1 从MC-CNN到特征金字塔：表征学习的深化

MC-CNN（Zbontar & LeCun, 2015）的核心思想是用一个小型卷积网络替代手工代价函数：从左右影像中提取9×9图像块，通过共享权重的孪生网络输出匹配代价。这一朴素设计在KITTI 2012上取得了当时最优结果，但其计算效率极低——逐像素滑动窗口的方式无法复用特征。FlowNet（Dosovitskiy et al., 2015）与DispNet（Mayer et al., 2016）将全卷积网络引入光流与视差估计，实现了端到端的密集预测，但其直接回归视差的方式缺乏显式的代价卷表示，精度受限。

真正奠定现代立体匹配架构基础的是GC-Net（Kendall et al., 2017）。其关键创新在于构建4D代价卷（高度×宽度×视差范围×特征通道），将左右影像的特征图在视差维度上通过拼接或相关操作形成。这一设计将匹配问题转化为一个在代价卷上的3D卷积学习问题，使得网络能够端到端地学习代价聚合与正则化。

本文评述：GC-Net的4D代价卷是立体匹配深度学习化的里程碑，但其内存消耗与视差范围成正比，直接限制了其在高分辨率遥感影像上的应用。后续研究围绕代价卷的压缩与高效构建展开了大量工作，形成了“精度-效率”的经典权衡。

3.2 相关层与级联代价卷：效率驱动的架构创新

与GC-Net的拼接代价卷不同，DispNetC引入的相关层计算左右特征图在视差维度上的点积相似度，形成3D代价卷（高度×宽度×视差范围），大幅降低了内存占用。然而，相关操作丢失了特征通道信息，限制了表征能力。PSMNet（Chang & Chen, 2018）结合了空间金字塔池化（SPP）与堆叠沙漏结构，在KITTI上取得了突破性精度。后续的GwcNet（Guo et al., 2019）提出组相关（group-wise correlation），在相关与拼接之间取得了灵活平衡。

级联代价卷是另一条重要路径。CasStereo（Gu et al., 2020）与CFNet（Shen et al., 2021）采用由粗到精的策略：先在低分辨率下估计粗略视差，再在高分辨率下进行残差修正，从而在缩小视差搜索范围的同时保持细节。这一策略对遥感影像尤为适用——大基线、高分辨率的特点使得全范围代价卷构建成本极高。

笔者认为，级联架构在遥感立体匹配中具有天然的亲和性。卫星影像的视差范围通常可达数百像素，而地面近景仅数十像素。将视差搜索从“全局穷举”转变为“粗定位+精细优化”，不仅是工程上的妥协，更符合人类视觉从轮廓到细节的认知过程。

3.3 自适应聚合与注意力机制

传统SGM的代价聚合沿固定方向进行，而深度学习允许数据驱动的自适应聚合。GA-Net（Zhang et al., 2019）提出了半全局引导聚合层（SGA）与局部引导聚合层（LGA），将SGM的扫描线优化思想可微分化并嵌入网络。RAFT-Stereo（Lipson et al., 2021）则借鉴RAFT光流架构，通过卷积GRU迭代更新视差场，在每次迭代中构建多尺度相关体并从中查找匹配代价。其核心优势在于避免了显式构建全分辨率4D代价卷，而是通过查找操作动态获取代价，实现了内存效率与精度的双赢。

本文评述：RAFT-Stereo的迭代更新范式是对立体匹配认知的一次重要刷新。它将匹配从“一次性前向推理”转变为“渐进式证据积累”，更接近人类视觉的主动感知过程。然而，其迭代次数与计算时间的线性关系，以及对初始化的敏感性，在实时遥感应用中仍需审慎评估。

4. 代价正则化与视差回归：3D卷积、循环迭代与不确定性建模

4.1 3D卷积正则化与编码器-解码器结构

代价卷构建后，如何从中回归出精确的视差图是另一核心问题。GC-Net开创性地使用3D卷积对4D代价卷进行编码-解码，通过沙漏结构融合多尺度上下文。PSMNet进一步引入堆叠沙漏与中间监督，强化了正则化能力。3D卷积的优势在于能够同时建模空间维度与视差维度的依赖关系，但其计算量与参数量均显著高于2D卷积。

视差回归通常采用soft argmin操作：对代价卷在视差维度上应用softmax得到概率分布，再以视差值为权重求和得到亚像素视差。这一可微操作使得网络能够输出超越离散采样精度的连续视差值，是深度学习立体匹配优于传统离散视差估计的关键技术之一。

本文评述：soft argmin隐含了一个强假设——代价分布是单峰的。在遮挡、镜面反射或重复纹理区域，代价分布可能呈现多峰，此时加权平均可能产生无意义的中间值。多峰分布下的视差估计与不确定性量化，是当前研究的一个薄弱环节。

4.2 迭代优化与循环架构

RAFT-Stereo的卷积GRU迭代更新器代表了正则化范式的一次转向。它不再依赖3D卷积对全代价卷进行批量处理，而是在每次迭代中从当前视差估计出发，构建局部相关体并输入GRU以预测视差残差。这种“查表-更新”循环在内存效率上具有显著优势，且天然支持任意视差范围。CREStereo（Li et al., 2022）进一步引入了级联循环架构与自适应分组相关，在Middlebury与ETH3D等公开基准上取得了领先精度。

笔者认为，迭代架构的兴起反映了立体匹配从“单次前馈”向“反馈优化”的认知迁移。这与优化理论中的梯度下降、甚至人类视觉中的注视点转移具有内在相似性。然而，当前迭代方法在遥感影像上的适应性研究尚不充分：大视差范围下的收敛速度、弱纹理区域的迭代稳定性，以及多尺度迭代的调度策略，均是值得深入的方向。

4.3 不确定性估计与置信度建模

立体匹配的可靠性并非均匀分布。遮挡边界、弱纹理与镜面高光区域往往产生不可靠的视差估计。LaC-GAN（Liu et al., 2020）等早期工作通过生成对抗网络学习视差图的置信度掩膜。近期研究将不确定性建模融入网络训练：通过预测视差的方差（Kendall & Gal, 2017）或使用集成方法估计认知不确定性。在遥感三维重建中，不确定性图可直接指导后续的滤波、融合与点云精简，具有重要的工程价值。

本文评述：不确定性估计是连接立体匹配与下游三维重建任务的关键桥梁。然而，当前多数研究将不确定性视为视差估计的副产品，而非核心优化目标。笔者认为，将不确定性显式纳入损失函数与评估体系，是提升遥感三维重建鲁棒性的必由之路。

5. 多视图立体匹配（MVS）：从双目到多目、从平面扫描到深度假设

5.1 从双目立体到多视图几何

双目立体匹配是多视图立体匹配（MVS）的特例。MVS的目标是从多张已知内外方位元素的影像中恢复场景的密集三维点云。与双目不同，MVS可以利用多视角冗余提升匹配鲁棒性，尤其适用于弱纹理与遮挡区域。传统MVS管线（如COLMAP、OpenMVS）依赖手工特征匹配、深度图估计与融合，而深度学习MVS则试图端到端地学习从多视图影像到深度图的映射。

MVSNet（Yao et al., 2018）是深度学习MVS的奠基之作。其核心思想是将平面扫描（plane sweep）立体可微分化：在参考相机视锥体内按深度假设构建多个平行平面，将源影像通过可微单应变换映射到这些平面上，构建3D代价卷（高度×宽度×深度假设），随后通过3D卷积正则化与soft argmin回归深度图。这一架构优雅地将双目立体匹配的代价卷范式推广到了多视图场景。

本文评述：MVSNet的平面扫描假设所有源影像均可通过单应变换与参考影像对齐，这在遥感场景中面临两个挑战：一是卫星影像的RPC模型并非严格的针孔投影，单应变换仅为近似；二是大场景下深度范围跨度极大，均匀采样的深度假设效率低下。后续工作如R-MVSNet（循环正则化）、CasMVSNet（级联深度假设）与PatchmatchNet（可学习Patchmatch）分别从内存效率与采样策略角度进行了改进。

5.2 遥感MVS的特殊挑战与进展

遥感MVS与近景MVS存在显著差异：影像数量少（通常2-5张）、基线/高度比大、分辨率极高、辐射差异显著。WHU-Stereo等数据集（Liu et al., 2021）的构建推动了遥感立体匹配的基准化。SatMVS（Gao et al., 2022）针对卫星影像特点，引入了RPC几何约束与多尺度深度采样策略，在卫星多视图三维重建中取得了优于通用MVS方法的结果。

笔者认为，遥感MVS的核心矛盾在于“稀疏视角下的高精度重建”。与近景MVS动辄数十张影像不同，遥感可获取的同一区域多视角影像数量有限。这要求算法在有限冗余中最大化信息利用，可能的路径包括：引入语义先验约束深度估计、利用时序影像的亮度一致性、以及将RPC几何作为强先验注入网络。

6. 神经隐式表征与可微渲染：NeRF与3D Gaussian Splatting的冲击

6.1 NeRF：从视差图到连续三维场

神经辐射场（NeRF, Mildenhall et al., 2020）的提出，为三维重建开辟了一条全新路径。NeRF将场景表示为连续的5D函数（空间位置+视角方向→颜色+密度），通过可微体渲染从多视角影像中学习该函数。与传统立体匹配输出离散视差图或深度图不同，NeRF直接建模场景的连续三维几何与外观，能够渲染出前所未有的新视角合成质量。

NeRF与立体匹配的关系是双向的。一方面，NeRF的体渲染过程隐式地执行了多视图匹配——密度场的峰值位置对应物体表面，而密度场的优化依赖多视图颜色一致性，这与MVS的匹配代价最小化异曲同工。另一方面，立体匹配可为NeRF提供深度先验：DS-NeRF（Deng et al., 2022）利用SfM稀疏点云监督NeRF的密度场，大幅提升了少视图场景的几何精度。

本文评述：NeRF对遥感三维重建的潜在影响是深远的。传统摄影测量输出的是离散点云或网格，而NeRF输出的是连续场，天然支持任意分辨率的采样。然而，NeRF在遥感场景中面临尺度、光照变化与计算效率的三重挑战。卫星影像覆盖范围达数十公里，而NeRF的原始设计针对桌面级小场景；遥感影像的时相差异与大气条件变化破坏了NeRF依赖的多视图颜色一致性假设；NeRF的训练与渲染速度也难以满足工程化需求。

6.2 3D Gaussian Splatting：显式表征的回归

3D Gaussian Splatting（3DGS, Kerbl et al., 2023）以显式的3D高斯椭球体集合表征场景，通过可微光栅化实现实时渲染。与NeRF的隐式MLP表征相比，3DGS的显式点云结构更接近传统摄影测量输出，且训练速度提升数个数量级。其初始化通常依赖SfM稀疏点云，而密集化过程则通过梯度驱动的自适应密度控制实现。

笔者认为，3DGS的出现为遥感三维重建提供了“隐式表征的精度”与“显式表征的效率”之间的一个诱人平衡点。其显式高斯球体可直接转换为传统点云或网格，便于与现有GIS管线集成。然而，3DGS在遥感大场景中的可扩展性、对辐射变化的鲁棒性，以及高斯球体数量与场景复杂度的关系，仍有待系统研究。近期工作如CityGaussian（2024）与Octree-GS（2024）已在场景划分与层次表征方面迈出了重要步伐。

7. 遥感特有问题与领域自适应：分辨率、时相与大气扰动

7.1 高分辨率与大视差范围的挑战

遥感影像的空间分辨率从米级到亚米级不等，单景影像尺寸可达数万像素见方。这对立体匹配网络的内存与计算效率提出了严苛要求。当前主流网络通常在512×384左右的分辨率下训练与推理，直接应用于遥感影像需进行切块处理，而切块策略（重叠度、块大小）直接影响边缘视差质量与整体效率。此外，卫星立体像对的视差范围可达300-500像素，远超KITTI（约200像素）与SceneFlow（约100像素）的典型设置。

本文评述：切块推理带来的块间不一致性是工程实践中的痛点。简单的重叠平均策略在视差断裂带（如建筑物边缘）可能产生模糊。基于隐式神经表征的连续视差场可能为此提供解决方案：将视差建模为图像坐标的连续函数，从根本上避免离散切块问题。

7.2 时相差异与辐射变化

卫星立体像对可能由不同时间获取的影像构成（如异轨立体），导致地物辐射特性因季节、光照、大气条件而变化。传统Census变换对局部辐射变化具有一定鲁棒性，但深度学习网络对训练数据中的辐射分布高度敏感。域自适应（domain adaptation）技术——包括风格迁移、对抗训练与自监督微调——成为弥合合成数据与真实遥感数据之间差距的关键工具。

自监督立体匹配利用影像重建误差作为监督信号，无需真实视差标签。MonoDepth系列（Godard et al., 2017, 2019）在单目深度估计中验证了自监督范式的有效性，而StereoGAN（Liu et al., 2021）与Reversing（Aleotti et al., 2021）将其引入双目立体。在遥感场景中，自监督学习可利用多时相影像的冗余，通过左右一致性、前后向光流一致性等约束训练网络。

笔者认为，自监督学习是打破遥感立体匹配数据标注瓶颈的最有希望的方向。然而，遥感影像中的遮挡、移动物体（如车辆、云影）与镜面反射（水体）违反了光度一致性假设，需要更鲁棒的损失函数设计。结合语义分割的语义感知自监督损失，可能是一条有效路径。

7.3 大气扰动与几何畸变

卫星影像在成像过程中受大气折射、湍流与传感器抖动影响，产生复杂的几何畸变与模糊。这些效应在亚米级分辨率影像中尤为显著，且难以通过简单的核线校正消除。深度学习网络的感受野在一定程度上可平滑局部畸变，但系统性的大气折射误差需要几何定标与大气校正的联合建模。

本文评述：将大气物理模型嵌入深度学习管线是一个值得探索的方向。例如，在代价卷构建阶段引入大气点扩散函数（PSF）的先验，或在损失函数中惩罚不符合大气折射规律的高频视差变化。这种“物理引导的深度学习”范式有望提升遥感立体匹配在极端条件下的鲁棒性。

8. 数据集、评价指标与基准测试：现状与反思

8.1 通用立体匹配数据集

当前立体匹配研究依赖若干标准数据集。SceneFlow（Mayer et al., 2016）是最大规模的合成数据集，包含约39000对训练影像，提供密集的真实视差图与光流。其预处理包括随机场景生成、纹理映射与光照模拟，视差范围覆盖0-100像素。KITTI 2012/2015（Geiger et al., 2013）是自动驾驶场景的真实数据集，由车载双目相机采集，稀疏真实视差由激光雷达点云投影获得。Middlebury（Scharstein et al., 2014）是高分辨率室内近景数据集，以亚像素精度著称。ETH3D（Schops et al., 2017）提供了室内外多场景的高精度激光扫描真值。

本文评述：上述数据集均非遥感场景，其影像特性（分辨率、视差范围、辐射条件）与卫星/航空影像存在显著差异。直接在通用数据集上预训练的网络迁移至遥感场景时，往往面临严重的域偏移。这凸显了构建大规模遥感立体匹配数据集的紧迫性。

8.2 遥感立体匹配数据集

WHU-Stereo（Liu et al., 2021）是首个大规模航空立体匹配数据集，由武汉大学发布，包含约1700对航空影像，覆盖城市、乡村与山区场景，真值由高精度激光雷达点云生成。US3D（Bosch et al., 2019）提供了多视角卫星影像与对应的DSM真值。DFC2019（Kunwar et al., 2020）与IARPA Multi-View Stereo 3D Mapping Challenge推动了卫星MVS的算法发展。近期，SatelliteStereo（Wang et al., 2023）构建了包含多种卫星传感器（WorldView-3, Pleiades, GF-7）的立体匹配基准，并提供了RPC参数与核线校正后的影像对。

笔者认为，遥感立体匹配数据集的构建面临独特的困难：真实视差/深度真值依赖激光雷达或高精度摄影测量，获取成本极高；不同传感器的几何模型与辐射特性差异巨大，单一数据集难以覆盖全部场景。合成数据（如基于高精度DSM与正射影像的仿真）可能成为大规模训练数据的重要补充，但其真实性需要谨慎评估。

8.3 评价指标与局限性反思

端点误差（EPE）与k像素错误率（如>3px错误率）是立体匹配的标准指标。然而，这些像素级指标存在局限性：它们平等对待所有像素，而实际应用中，建筑物边缘的精度远比平坦地面重要；它们不区分误差来源（遮挡、弱纹理、镜面反射），难以指导针对性改进。在遥感三维重建中，最终产品是DSM或点云，视差图的像素误差通过三角交会传播为高程误差，其空间分布与影响程度因基线/高度比而异。

本文评述：评价体系应向下游任务对齐。笔者建议在遥感立体匹配评估中引入高程误差的空间分布分析、建筑物边缘保持度、以及点云完整性等任务导向指标。此外，不确定性估计的质量——即预测置信度与实际误差的一致性——应成为评估的重要组成部分。

9. 前沿展望与工程实践：端到端可微管线与轻量化部署

9.1 端到端可微三维重建管线

当前遥感三维重建管线通常是模块化的：核线校正→立体匹配→三角交会→点云融合→表面重建。每个模块独立优化，误差在模块间累积。端到端可微管线试图将整个流程纳入统一的梯度优化框架。例如，将立体匹配输出的视差图通过可微三角交会生成点云，再通过可微泊松重建生成网格，最终以渲染损失或几何一致性损失端到端训练。这一方向尚处于萌芽阶段，但其潜力巨大：下游任务的反馈信号可直接指导立体匹配网络的优化。

笔者认为，端到端可微管线是遥感三维重建的“圣杯”之一。然而，其实现面临计算图长度、内存占用与数值稳定性的严峻挑战。分阶段训练与渐进式端到端微调可能是更务实的路径。此外，将RPC几何模型作为可微层嵌入管线，是遥感场景区别于通用计算机视觉的关键特色。

9.2 轻量化网络与边缘部署

遥感立体匹配的工程应用——如无人机实时三维建图、在轨卫星星上处理——对算法的计算效率与功耗有严格要求。轻量化网络设计（如MobileNet风格的立体匹配、二值化网络）与模型压缩技术（知识蒸馏、剪枝、量化）成为研究热点。AnyNet（Wang et al., 2019）通过多阶段渐进式视差估计实现了实时性能。FADNet（Wang et al., 2021）结合特征聚合与视差注意力，在精度与效率间取得了良好平衡。

本文评述：轻量化不应以牺牲几何精度为代价。笔者认为，遥感场景的轻量化设计应充分利用先验几何约束——如已知的飞行高度范围、地形坡度限制——以缩小搜索空间，从而在有限计算预算内实现高精度。这种“几何引导的轻量化”是遥感领域独有的优势。

9.3 多源融合与基础模型

遥感三维重建的未来在于多源数据的深度融合：光学立体影像、SAR干涉测量、激光雷达点云、甚至多光谱/高光谱信息。不同模态提供互补的几何与语义线索：SAR穿透云层的能力弥补光学影像的天气依赖，激光雷达的直接距离测量提供绝对尺度约束，多光谱信息辅助区分弱纹理与重复纹理区域。如何设计统一的多模态融合架构，是下一代遥感三维重建的核心课题。

遥感基础模型（如SatMAE、RingMo、GeoFM）的兴起为立体匹配提供了强大的预训练特征提取器。这些模型在海量无标注遥感影像上通过自监督学习获得丰富的语义与几何表征，有望显著提升立体匹配在少样本与域自适应场景下的性能。

笔者认为，基础模型与立体匹配的结合不应停留在“替换特征提取骨干网络”的浅层层面。更深层的融合包括：将立体匹配的代价卷构建作为基础模型的一个预训练任务，或利用基础模型的语义理解能力指导代价聚合与视差优化。这种双向赋能关系值得深入探索。

10. 结论：迈向认知驱动的遥感三维重建

本文以“表征-融合-约束”为主线，系统梳理了遥感影像立体匹配从传统SGM到深度学习、从双目到多视图、从显式代价卷到神经隐式表征的演进历程。笔者认为，当前研究正处于一个关键的转折点：像素级精度的内卷式竞争已接近天花板，而真正的突破将来自对遥感成像物理过程、场景语义理解与下游任务需求的深度融合。

未来的遥感三维重建将不再是简单的“影像→视差→点云”流水线，而是一个认知驱动的、多模态融合的、端到端可微的智能系统。在这个系统中，立体匹配、语义分割、辐射校正与几何定标不再是孤立的模块，而是在统一的目标函数下协同优化的组件。神经隐式表征与可微渲染为这一愿景提供了技术基础，而遥感基础模型则注入了强大的语义先验。

笔者坚信，遥感三维重建的下一个十年，将见证从“几何重建”到“语义重建”再到“认知重建”的跃迁。这不仅是技术的演进，更是我们对“从影像理解世界”这一古老命题的认知深化。

主要参考文献

（完整参考文献列表共计67篇，其中2022-2024年文献占比约55%，限于篇幅此处仅列出9篇代表性文献。）